Napredek računsko intenzivnih metod za učinkovito sodobno splošnonamensko statistično analizo in sklepanje

Statistična analiza podatkov je zelo pomembna: vse empirične znanosti, zdravstvo, finance, odkrivanje goljufij, telekomunikacije, družabna omrežja, in trženje so samo nekatera izmed področij, ki se močno zanašajo na podatke in njihovo analizo. Čeprav je v zadnjem času uporabna statistika močno napredovala in postala bolj dostopna, še posebej sodobna Bayesova statistika, se je napredek upočasnil, saj s sodobnimi računskimi metodami ne moremo več obvladati statističnih modelov in količin podatkov, ki jih želimo analizirati danes. Problem neučinkovitih računskih metod je bil pred kratkim izpostavljen kot eden izmed 5 najpomembnejših odprtih problemov v statistiki. Primarni cilj projekta je prispevati k reševanju tega problema z raziskavo pristopa za bolj učinkovito splošnonamensko računanje in implementacijo ugotovitev v računsko orodje, ki nam bo omogočilo analizo vse večje količine podatkov po zmerni ceni.

Na Geografskem inštitutu Antona Melika ZRC SAZU smo sodelovali v okviru projekta pri reševanju geografskih raziskovalnih problemov s pomočjo sodobnih kvantitativnih metod, ki jih je razvijal vodilni partner (Fakulteta za računalništvo in informatko Univerze v Ljubljani). V okviru projekta smo pripravili vrsto študij, katerih izlsedke smo objavili v znanstvenih revijah in na mednarodnih znanstvenih konferencah:

BREG VALJAVEC, M., CIGLIČ, R., OŠTIR, K., RIBEIRO, D. 2018: Modelling habitats in karstland scape by integrating remote sensing and topography data. Open geosciences 10. DOI: 10.1515/geo-2018-0011 [COBISS.SI-ID 43194413]
CIGLIČ, R. 2017: Landscape classification with quantitative methods. Evaluating raster data layers according to the scale of classificatio. Predavanje na univerzi Ss. Cyril and Methodius University, Faculty of Natural Sciences and Mathematics, Institute of Geography, Skopje (Makedonija). 22. maj 2017. [COBISS.SI-ID 41589293]CIGLIČ, R., PERKO, D. 2017: A method for evaluating raster data layers according to landscape classification scale. Ecological informatics 39. DOI: 10.1016/j.ecoinf.2017.03.004. [COBISS.SI-ID 41426477]
CIGLIČ, R. 2018: Assessing the impact of input data incongruity in selected quantitative methods for modelling natural landscape typologies/Preverjanje vpliva nesmiselnosti vhodnih podatkov pri izbranih kvantitativnih metodah za modeliranje naravnopokrajinskih tipizacij. Geografski vestnik 90-1. DOI: 10.3986/GV90107 [COBISS.SI-ID 44351021]
CIGLIČ, R. 2018: Evaluating landscape classifications with machine learning: the case of Slovenia. Predavanje na mednarodni konferenci 4th International Scientific Conference Geobalcanica 2018 "Connect all geographers!", Ohrid (Makedonija), 15. maj 2018. [COBISS.SI-ID 43886893]
CIGLIČ, R., PERKO, D., HRVATIN, M., ŠTRUMBELJ, E. 2017: Modeling and evaluating older landscape classifications with modern quantitative methods. From pattern and process to people and action. Ghent: IALE-Europe. 2017. [COBISS.SI-ID 41978413]
CIGLIČ, R., ŠTRUMBELJ, E., ČEŠNOVAR, R., HRVATIN, M., PERKO, D. 2019: Evaluating existing manually constructed natural landscape classification with a machine learning-based approach. Journal of spatial information science18. DOI: 10.5311/JOSIS.2019.18.464 [COBISS.SI-ID 44825901]

Potek celotnega projekta (sklop delovnih faz) je na kratko predstavljen tukaj.